在当前的信息时代，明确各种算法规制工具的应用场景、技术条件及功能，并通过谱系化的努力将这些规制工具纳入法治的轨道，已成为算法治理进程中的前沿议题，需要法律工作者深入学习。李一达老师向同学们介绍，苏宇老师深耕于网络与信息法学的前沿领域，学术成果颇丰，曾在《中国法学》《法学研究》等高水平学术刊物发表论文40余篇，并入选北京市“百名法学英才”。相信本次讲座能让同学们对算法解释与算法治理有全新的了解。

首先，苏宇老师为同学们从宏观层面介绍了算法解释。算法解释的技术原理体系有多个环节，包括可解释性和透明度、算法解释的内容标准、算法解释固定机制等。研究算法解释，究其根本，是为了实现算法治理，这在当今尤为必要。算法解释的前提在于算法“黑箱”问题的存在，即存在于人工智能深度学习的输入与输出之间，难以为外界所观察、理解的隐层，不同的黑箱可用不同的方法进行解释。

接下来，苏宇老师对于人工智能主流算法进行溯源式讲解。20世纪60年代，根据神经元从简单到复杂的构成模式，科学家发明了人工神经网络。20世纪90年代后，深度神经发展严重受挫，人们倾向于发展专用算法。当今，无数脑神经科学研究表明，大脑实际是万用学习机器，人类的DNA不提供算法，只提供普适学习机制，许多功能取决于后天训练。想要实现算法的技术突破，也正需要基于大脑学习算法的普适性和可塑性，深入发展计算能力和深度学习。

在此基础上，苏宇老师为同学们介绍了人工智能的主要算法以及技术原理。以图例的方式，苏宇老师为同学们讲解了模拟生物神经网络、黑箱递增、卷积步长的概念，向同学们普及了流行分布原则、DNN数学原理等专业性术语，以此揭示算法解释的技术原理——通过深度神经网络逼近编解码影视，形成包含一定范围取值区间的规则化表达系统。

目前，算法解释未决的问题在于深度学习的动力学机制。专业的算法解释中，体现输入数据与输出数据间的具体关系日趋完善，也已经形成了七类主流算法解释技术，但是指导模型设计和参数选择尚未成型。专业算法解释的意义重大，可为面向大众的算法解释提供基础，也可满足算法可解释性与透明度的要求，亦可籍此检视算法设计是否合理、公平，帮助发现算法设计的缺陷。但苏宇老师也指出，其同时也存在一系列风险，如可能导致模型被窃取、导致模型被针对性攻击，被算法衡量的对象亦可籍此采取规避策略。因此，如何“打开黑箱”，发现优化算法解释的最佳路径，仍然亟待探索。

对此，苏宇老师分析，未来算法解释的进路在于算法可解释性与算法透明度，即面向公众的算法解释。在对算法公开、算法透明度、算法公开等概念进行详细区分后，苏宇老师指出，目前采用满足算法可解释性与透明度要求的折中方案更为适宜，可在商业秘密保护、数据安全、算法安全等价值与知情权、平等权等法益间取得较好平衡，其具体措施包括思维转述、近似模拟、反事实解释、分布解释与群体接续解释。而对于相关法律规范与技术标准而言，越是充分体现算法治理的合比例性原则与价值平衡需求，越是能带给用户和公众更充分的安全、知情、公平与自由。

提问环节，苏老师为同学们耐心解答了算法透明度、算法治理的相关问题。苏老师也表示，本次讲座主题对同学们而言可能相对陌生，因此非常欢迎同学们在讲座结束后与自己交流。